简介这份资源面向深度学习入门者与计算机视觉开发者提供基于Keras框架实现YOLOv1目标检测算法并训练自定义数据集的完整项目包帮助读者绕开环境搭建与代码组织的门槛快速把个人标注数据接入训练流程。压缩包共11个文件约128KB以3个Python脚本、3个txt列表文件、4张jpg示例图和1份md说明文档为主脚本涵盖网络训练、测试与Darknet19骨干实现txt用于训练与精炼数据清单图片展示检测效果文档则交代项目结构与使用说明。目前已有108人学习下载。借助其中的模型定义、训练脚本与配置示例读者可对照完成数据清洗、标注划分、超参数调整与过拟合排查并在此基础上修改网络结构、优化检测精度适合作为YOLOv1原理学习与自定义数据集实战的起步模板。1. 从一份 Keras 版 YOLOv1 源码包说起单阶段检测的入门样本如果你手头正好有一份标注好的小规模数据集想跑通一个目标检测模型看看效果又不想一上来就被 YOLOv5、YOLOv8 那一堆配置文件和依赖版本折腾到崩溃那这份基于 Keras 的 YOLOv1 实现包其实是个挺合适的起点。它把 YOLOv1 的整套训练流程——数据读取、网格划分、损失计算、模型搭建、权重保存——都塞进了一个相对轻量的 Keras 工程里没有复杂的分布式训练也没有一堆需要编译的自定义算子装好 TensorFlow 就能跑。YOLOv1 本身是单阶段检测的开山之作把检测直接建模成回归问题一张图过一次网络就出框结构清晰到几乎可以手推。这份资源适合两类人一类是想搞懂检测模型底层逻辑、不想只当调包侠的开发者另一类是想拿个小数据集快速验证标注质量、跑通训练闭环的从业者。它不追求 SOTA 精度但胜在链路完整、代码可读拿来当检测入门的“解剖样本”非常合适。2. YOLOv1 的网格回归逻辑与 Keras 工程结构拆解2.1 为什么是 7×7 网格加两个框YOLOv1 的核心设计思路是把一张输入图像切成 S×S 个网格原版论文里 S7。每个网格负责预测 B 个边界框原版 B2外加 C 个类别的条件概率。也就是说网络最后一层输出的张量形状是 S×S×(B×5C)其中每个框的 5 个值分别是 x、y、w、h 和置信度。x、y 是框中心相对于所在网格的偏移w、h 是相对于整张图宽高的比例都被归一化到 0 到 1 之间。这个设计的好处是输出维度固定不管图里有多少目标网络结构都不用变。代价也很明显一个网格只能负责一个目标两个框里只有一个会被分配为正样本另一个在训练时被当作负样本压制。所以当两个小目标挤在同一个网格里时YOLOv1 基本就无能为力了这也是它召回率偏低的根源之一。Keras 工程里这一层逻辑通常体现在模型的最后一层卷积或全连接上输出通道数正好等于 B×5C。你在读代码时可以重点看两个地方一是模型输出张量的 reshape 操作把扁平输出还原成 S×S×N 的网格结构二是损失函数里对坐标、置信度、类别三部分的分项加权。原版损失用 λ_coord5 放大坐标误差用 λ_noobj0.5 压低无目标网格的置信度损失这两个系数在 Keras 实现里一般会写成常量改它们之前最好先理解各自的作用。2.2 工程目录里每个文件在干什么拿到压缩包解压后常见的目录结构大致是这样一个主训练脚本一个模型定义文件一个数据生成器一个损失函数模块外加配置和权重保存目录。不同作者的命名会有差异但职责划分基本一致。下面这张表是我拆这类工程时习惯先扫一遍的清单你可以对照自己手里的包快速定位关键文件。文件/目录典型职责读代码时的关注点train.py训练入口组装模型、生成器、回调学习率策略、batch size、epoch 数model.py定义 YOLOv1 网络结构输出层通道数是否等于 B×5Cdata.py数据读取与增强标注格式、归一化方式、增强是否同步变换框loss.py自定义损失函数λ_coord、λ_noobj 取值正负样本分配逻辑config.py超参数与路径配置输入尺寸、网格数、类别数、权重路径weights/权重保存目录保存频率、命名规则、是否保存最优读这类工程有个血泪经验先别急着跑训练先把 config 里的类别数和数据标注里的类别对齐。很多翻车现场都是类别数写错导致模型输出通道对不上训练时 loss 直接飙到 nan 或者一直不降。类别数、网格数、框数这三个参数一旦确定模型输出维度就锁死了改任何一个都要同步改数据生成和损失函数里的解析逻辑。2.3 数据标注格式与生成器的对接方式YOLOv1 训练需要的是每张图对应的标注文件常见格式是每行一个目标内容为类别索引加归一化后的 x、y、w、h。数据生成器要做的事情是把这些标注映射到 S×S 的网格上生成和网络输出同形状的目标张量。具体来说对于每个目标先算出它的中心落在哪个网格然后把这个网格对应的那个框的置信度置为 1坐标填真实值类别做 one-hot。如果两个目标的中心落在同一个网格后写的会覆盖先写的这也是 YOLOv1 的固有缺陷不是代码 bug。下面这段代码是一个简化的目标张量构造逻辑帮你理解生成器内部在做什么import numpy as np def build_target(label_lines, S7, B2, C20): # 初始化目标张量形状为 S x S x (B*5 C) target np.zeros((S, S, B * 5 C)) for line in label_lines: cls, x, y, w, h line # 计算目标中心落在哪个网格 grid_x int(x * S) grid_y int(y * S) # 防止边界情况越界 grid_x min(grid_x, S - 1) grid_y min(grid_y, S - 1) # 计算相对于网格的偏移 x_offset x * S - grid_x y_offset y * S - grid_y # 只填第一个框第二个框保持为负样本 target[grid_y, grid_x, 0:5] [x_offset, y_offset, w, h, 1.0] target[grid_y, grid_x, 5 cls] 1.0 return target这段逻辑里S、B、C 三个参数必须和模型输出严格一致。x、y 是归一化到 0 到 1 的中心坐标w、h 也是归一化后的宽高。grid_x 和 grid_y 用 int 截断得到网格索引偏移量则是原始归一化坐标乘以 S 再减去网格索引。类别部分从第 5 个通道开始做 one-hot。实际工程里还会处理“哪个框负责哪个目标”的匹配问题常见做法是选与真实框 IoU 最大的那个预测框作为正样本这里为了简化只用了第一个框。你在读源码时如果看到更复杂的匹配逻辑不用慌本质就是在做这件事。3. 用 Keras 跑通自定义数据集训练从配置到第一个 loss 下降3.1 环境准备与依赖版本选择这类 Keras 版 YOLOv1 工程对 TensorFlow 版本比较敏感。原版代码很多是基于 TensorFlow 1.x 加独立 Keras 写的如果你直接装最新的 TensorFlow 2.x大概率会遇到 tf.placeholder、session 之类的 API 报错。我一般会先看工程里 import 的是 keras 还是 tensorflow.keras再决定装哪个版本。如果是老代码用 TensorFlow 1.15 加 Keras 2.2 到 2.3 这一档比较稳如果是已经迁到 tf.keras 的版本TensorFlow 2.4 以上都能跑但要注意自定义损失函数里的张量运算是否用了兼容写法。安装命令大致如下建议用虚拟环境隔离python -m venv yolo_env source yolo_env/bin/activate # Windows 下用 yolo_env\Scripts\activate pip install tensorflow1.15.0 keras2.2.4 numpy1.16.4 opencv-python pillow这里把 numpy 锁在 1.16.4 是因为 TensorFlow 1.15 对更高版本的 numpy 兼容性不好容易出现 np.object 之类的弃用报错。opencv 和 pillow 用于数据读取和增强。装完之后先跑一个 import 测试确认没有报错再往下走。如果你用的是 tf.keras 版本把 tensorflow 换成 2.x 对应版本keras 不用单独装直接用 tensorflow.keras 即可。3.2 配置文件里必须改的五个参数在启动训练之前配置文件里有五个参数必须按你的数据集改改错任何一个都跑不起来。下面这张表列出了它们的作用和常见取值参数含义改错后果input_size网络输入图像尺寸与权重不匹配会报维度错误S网格划分数量与模型输出、目标张量不一致B每个网格预测框数输出通道数对不上num_classes数据集类别数输出通道数对不上loss 异常label_path标注文件路径读不到数据生成器为空其中 S 和 B 一般保持原版 7 和 2 不动除非你明确知道自己在做什么。num_classes 必须和你标注文件里的类别索引最大值加一一致。比如你的标注里类别索引是 0 到 4那 num_classes 就是 5。input_size 常见是 448×448也有改成 416 或 320 的改小能提速但精度会降。label_path 指向存放标注文件的目录确保每张图都能找到对应的标注。3.3 启动训练与观察 loss 是否正常下降配置改好后直接运行训练脚本python train.py --config config.py --gpu 0如果你的工程没有命令行参数就直接 python train.py。启动后重点看前几个 epoch 的 loss 变化。正常的 loss 曲线应该是先快速下降然后缓慢震荡下行。如果 loss 一直不动或者直接变成 nan按下面几个方向排查学习率是不是太大常见初始值 1e-3 到 1e-4数据里有没有坐标越界或者宽高为 0 的脏标注损失函数里有没有除零操作。我一般会在损失函数里加一句打印把坐标损失、置信度损失、类别损失分开输出这样一眼就能看出是哪一项在捣乱。训练过程中权重会按 epoch 保存到 weights 目录建议同时保存最近一次和最优一次。判断最优的依据可以是验证集 loss也可以是自己写的一个简单 mAP 计算。YOLOv1 在小数据集上通常几十个 epoch 就能看到框大致收敛但要想框得准标注质量比调参重要得多。4. 训练不收敛、框乱飞、显存爆几个高频翻车点4.1 loss 变成 nan 或一直不降现象训练开始几个 batch 后 loss 直接变 nan或者连续十几个 epoch 停在同一个数值附近不动。原因通常有三个学习率过大导致梯度爆炸标注文件里有坐标超出 0 到 1 范围或者宽高为负损失函数里对 w、h 开了根号后遇到 0 值。解决方法是先把学习率降到 1e-4 试一轮同时写个脚本扫一遍所有标注把越界值裁剪回 0 到 1宽高为 0 的样本直接剔除。如果用的是原版损失检查根号里有没有加极小值 eps。4.2 预测框全部堆在图像中央现象推理时所有框都集中在画面中间大小也差不多像是网络没学到东西。原因多半是正负样本分配出了问题或者置信度损失权重太低导致网络倾向于把所有框的置信度压到接近 0只有中心区域偶尔被激活。解决方法是检查目标张量构造逻辑确认每个有目标的网格置信度确实被置为 1并且损失函数里对正样本的置信度误差给了足够权重。另外可以临时把 λ_noobj 调小一点让负样本的压制不要那么强。4.3 显存不够导致训练中断现象batch size 设到 8 或 16 时跑几个 batch 就报 OOM。原因可能是输入尺寸太大或者模型里全连接层参数过多。YOLOv1 原版在 448 输入下参数量不小显存吃紧很常见。解决办法是先把 batch size 降到 2 或 4再考虑把输入尺寸降到 320 或 256。如果还是不够可以把模型里最后一个全连接层之前的特征图通道数适当减少但这会改变网络结构需要重新从头训练。4.4 标注格式对但训练效果很差现象标注检查过没问题loss 也在降但推理时框的位置和类别都不对。原因可能是数据增强时只变换了图像没有同步变换框导致图像和标注错位。另一个常见原因是类别索引从 1 开始而不是从 0 开始导致 one-hot 整体偏移一位。解决方法是把增强前后的图像和框画出来目测几张确认框还套在目标上同时检查标注文件里的类别索引是不是从 0 开始连续编号。4.5 推理时框的坐标还原错误现象训练 loss 正常但推理画出来的框位置明显偏移或者大小不对。原因通常是坐标还原时忘了乘回原图尺寸或者把相对于网格的偏移当成了相对于整图的坐标。解决方法是理清推理阶段的后处理流程网络输出的是相对于网格的偏移和相对于整图的宽高需要先加上网格左上角坐标再除以 S最后乘以原图宽高。这一步在 train.py 和 predict.py 里往往各写了一遍改的时候要同步改。5. 从能跑到能用置信度阈值调优与框筛选的实操技巧训练跑通只是第一步真正让 YOLOv1 在你自己的数据上“能用”后处理里的置信度阈值和 NMS 参数才是关键。YOLOv1 每个网格输出两个框推理时先按置信度阈值过滤掉大部分低分框再对剩下的框做非极大值抑制。置信度阈值设高了漏检明显设低了同一个目标会出好几个重叠框。我一般会先在验证集上跑一遍把阈值从 0.1 到 0.5 按 0.05 步长扫一遍看哪个点召回和误检的平衡最好。NMS 的 IoU 阈值常用 0.4 到 0.5如果你的数据里目标比较密集可以适当调高到 0.6但别超过 0.7否则相邻目标容易被误合并。下面这段后处理代码是我常用的写法你可以直接嵌到推理脚本里import numpy as np def yolo_postprocess(pred, conf_thresh0.3, iou_thresh0.5, S7, B2, C20): boxes [] for gy in range(S): for gx in range(S): for b in range(B): base b * 5 conf pred[gy, gx, base 4] if conf conf_thresh: continue # 还原中心坐标到整图比例 cx (gx pred[gy, gx, base]) / S cy (gy pred[gy, gx, base 1]) / S w pred[gy, gx, base 2] h pred[gy, gx, base 3] cls_scores pred[gy, gx, 5 * B:] cls_id int(np.argmax(cls_scores)) score conf * cls_scores[cls_id] boxes.append([cx, cy, w, h, score, cls_id]) # 按分数排序后做 NMS boxes.sort(keylambda x: x[4], reverseTrue) keep [] while boxes: best boxes.pop(0) keep.append(best) boxes [b for b in boxes if iou(best, b) iou_thresh or b[5] ! best[5]] return keep def iou(a, b): # 把中心宽高转成左上右下 ax1, ay1 a[0] - a[2] / 2, a[1] - a[3] / 2 ax2, ay2 a[0] a[2] / 2, a[1] a[3] / 2 bx1, by1 b[0] - b[2] / 2, b[1] - b[3] / 2 bx2, by2 b[0] b[2] / 2, b[1] b[3] / 2 inter max(0, min(ax2, bx2) - max(ax1, bx1)) * max(0, min(ay2, by2) - max(ay1, by1)) union a[2] * a[3] b[2] * b[3] - inter return inter / union if union 0 else 0这段代码里conf_thresh 控制进入 NMS 的框数量iou_thresh 控制合并程度。注意类别不同的框不应该互相抑制所以 NMS 里加了一个类别判断。实际工程里还会把框的坐标乘回原图尺寸再画出来这一步别忘。另外 YOLOv1 的框回归没有 anchor 机制对小目标本身就不友好如果你的数据里小目标占比高与其死磕 YOLOv1不如把这份代码当作理解检测流程的跳板后面换到带 anchor 的版本会顺很多。从那以后我每次拿到一个新的检测工程都会先把后处理单独拎出来在几张图上跑一遍确认框的还原逻辑没问题再去看训练部分。希望这份拆解能帮到你。本文还有配套的精品资源点击获取
